Нейросетевые технологии в управлении персоналом

Лекция 6. Интеллектуальные информационные технологии и системы поддержки принятия решений

Вопросы для самопроверки к лекции 5

1. Для чего нужен кадровый план?

2. Какие инструменты относятся к подсистеме подбора кадров?

3. Как организовано анкетирование, какие средства анкетирования могут быть предусмотрены в информационной системе?

4. Какие средства автоматизации обучения работников могут быть предусмотрены в информационной системе?

5. Как может быть организовано в информационной системе планирование мероприятий?

6. Как может быть организовано в информационной системе планирование отпусков?

7. Как может быть организован в информационной системе регламентированный учет кадров?

8. Как может быть организован в информационной системе персонифицированный учет о каждом застрахованном в Пенсионном фонде?

9. Какие методики учета рабочего времени могут быть реализованы в информационной системе?

 


Интеллектуальную поддержку предоставляют компьютерные программы, заключающие внутри себя механизмы логического вывода или дающие рекомендацию к практическим действиям на основе заложенного в них опыта экспертов.

Искусственный интеллект – одно из направлений информатики, цель которого – разработка универсальных алгоритмов и аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма (Рис.9).

Рис. 9. Обобщенная структурная схема искусственного нейрона

 

Здесь — вектор входных сигналов (воздействий, синапсов) нейрона; — константный "псевдосигнал", называемый сигналом поляризации или, просто, поляризатором. В общем случае — действительные числа, возможно, размерные, но чаще нормированные. Во многих моделях ИН дискретны и могут принимать значения из множеств или . В некоторых реализациях — комплексные числа.

— вектор весов входных сигналов -ого нейрона (в общем случае, действительные числа). Веса входных сигналов используются для вычисления взвешенной суммы входных сигналов -ого ИН по формуле

 

Вес для размерного входного сигнала имеет обратную к нему размерность. Например, если имеет размерность [кг], то размерность — [кг-1].

Взвешенная сумма входных сигналов служит аргументом функции активации ИН , определяющей значение выходного сигнала .

В простейших однослойных (без обратных связей и каскадов) сетях входные сигналы нейрона — входные сигналы сети в целом, а выходные сигналы нейрона — выходные сигналы сети в целом. В многослойных сетях роль входных сигналов некоторых нейронов играют выходные сигналы предыдущих слоев ИНС.

Одним из типичных назначений искусственных нейронов и сетей на их основе является классификация и распознавание векторов входных сигналов . В такой задаче вычисленное по входному вектору значение определяет принадлежность входного вектора тому или иному -му классу.

Степень успеха в классификации отдельным ИН и сетью в целом зависит, в общем случае, от "правильности" подбора/назначения весовых коэффициентов и функции активации . Однако, в практических ИНС, как правило, функции активации назначаются однократно и варьированию не подлежат. Таким образом, объектом подбора служат только весовые коэффициенты .

Для отыскания наилучших с точки зрения решения задачи классификации входных векторов значений элементов вектора необходимо обучение ИН и обучение ИНС в целом, предваряющее собственно этап классификации. Различают самообучение (автоматическое накопление знаний на основе анализа) и обучение по примерам (или индуктивное).

Новая наука «Ситуационное управление» вводит термин модели «представления знаний» - основное направление искусственного интеллекта.

Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

Продукционная модель знаний – это модель, основанная на правилах, которая позволяет представить знания в виде предложений типа: Если (условие) то (действие). Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы). При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы.

Модель знаний «Семантическая сеть» — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними. Понятиями обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

В управлении персоналом нейронные сети используются для профессионального отбора и сопровождения развития персонала.

Полносвязная нейронная сеть позволяет производить психодиагностику исследуемых на базе опросников классических тестов с вероятностью правильного ответа 95%.

Для создания нейросетевых экспертных систем не нужно вмешательства математика, данная технология позволяет программе непосредственно перенимать опыт психодиагноста.

Психодиагностическая методика, созданная на базе технологии нейросетевых экспертных систем адаптивна к смене социокультурных групп.

При помощи возможностей программных нейроимитаторов можно выполнять исследование параметров психодиагностических методик и уточнять их структуру. Нейронные сети при использовании определенных методов улучшения результатов позволяют создавать компьютерные психологические тесты, не уступающие ныне применяющимся методикам, но обладающие новым и очень важным на практике свойством — адаптивностью.

Так же нейронные сети используются в прогнозировании и классификации, распознавании образов (программы НейроКомп, MultiNeuron).